在如今飞速发展的无线传感器网络（Wireless Sensor Networks,WSNs）中,每一个普通节点都被用来采集外界环境的数据,并将其不断感知到的数据信息传递给融合节点,融合节点再通过汇聚节点将数据层层转发至基站,由基站对收集的数据进行一系列的分析、处理、决策后,再通过远端的互联网或卫星将最终结果传递给终端应用系统或用户。如今WSNs因其灵活、实用以及廉价等优点,应用范围已经从理论研究拓展到了军事、农业、工业、医疗健康等诸多实际应用的领域。与此同时,传感器节点在计算、存储、能耗、安全等方面的弊端也制约了无线传感器网络的发展。因此,如何在保证数据精度的基础上,减少网络中的数据传输量、降低节点能耗是无线传感器网络亟需解决的问题。在WSNs中采用数据融合技术对节点采集的目标环境的物理数据进行融合处理,能有效地去除网络中的冗余数据,减少数据量的传输,提高融合结果的准确度,以及无线传感器网络中稀缺资源的利用率。本文研究了大量传统的数据融合算法,并进行合理的改进提出了两种融合算法。研究内容主要分为以下两部分:（1）为了提高无线传感器网络的能效及融合精度,根据节点采集数据的时间相关性特点,将数据预测与数据融合算法相结合,提出了一种基于指数平滑预测模型的数据融合算法ESDP。该算法采用优化的指数平滑法建立预测模型,对各节点不同时段采集的数据赋予不同的权值来预测数据,并采用差值传输法来减少数据包的大小,最后将簇头收集的数据进行融合。仿真结果表明,该算法能较好的平衡数据融合的精度及能耗问题。（2）针对无线传感器网络中数据的可靠性低的问题,提出了一种基于信任和灰色模型的数据融合算法TGDA。该算法在数据融合过程中引入了数据预测以及信任机制,即簇头在发起数据融合前会进行异常节点的检测,过滤掉异常节点,并采用灰色模型对异常节点的缺失数据进行预测。仿真结果表明,在保证数据融合过程的可靠性的前提下,TGDA算法可以进一步减少网络的通信量,使得融合后的结果更可靠,更加接近实际情况。